CN117330906A - 设备电弧故障检测方法、装置、设备及存储介质 - Google Patents
设备电弧故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117330906A CN117330906A CN202311178746.7A CN202311178746A CN117330906A CN 117330906 A CN117330906 A CN 117330906A CN 202311178746 A CN202311178746 A CN 202311178746A CN 117330906 A CN117330906 A CN 117330906A
- Authority
- CN
- China
- Prior art keywords
- sequence
- data
- value
- arc fault
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 113
- 238000009499 grossing Methods 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000013136 deep learning model Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000007772 electrode material Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 239000002245 particle Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910002804 graphite Inorganic materials 0.000 description 5
- 239000010439 graphite Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000013450 outlier detection Methods 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 229910001369 Brass Inorganic materials 0.000 description 2
- 229910001141 Ductile iron Inorganic materials 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 239000010951 brass Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007770 graphite material Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及设备检测技术领域,公开了一种基于时间序列预测模型的设备电弧故障检测方法、装置、设备及存储介质。该方法包括:获取特定时间段内的设备电气数据,并进行预处理得到数据点序列,基于预设时间序列预测模型,对数据点序列中的各数据点进行特征提取,得到特征量序列,利用预设的深度学***滑算法进行特征提取,实现权数由近到远按指数规律递减,并在数据模式发生变化时,自动识别数据模式的变化而加以调整,有效减小了预测偏差,提高了设备电弧故障检测的准确率。
Description
技术领域
本发明涉及电路保护领域,具体涉及一种基于时间序列预测模型的设备电弧故障检测方法、装置、设备及存储介质。
背景技术
在现如今的配用电***运行过程中,电弧故障不能被普通的熔断器、断路器等过流保护装置所识别,发生危险事故,现有的电弧故障检测方法为小波系数方差、差分功率处理结构,或综合利用线电压、电源电压等信息的串联直流电弧故障检测方法,但大多是利用电流或电压的表层特征,比如电流和电压的最大幅值、电流和电压的频率、平均电流和电压等,并不断地增加实验样本并持续进行特征筛选。现有方法对数据之间的关联性分析存在缺失,导致故障检测的准确性不高。因此,需要一种提高检测准确率的电弧故障检测方案。
发明内容
本发明的主要目的在于解决现有的电弧故障检测方案存在的处理数据量大、准确率低的技术问题。
本发明第一方面提供了一种基于时间序列预测模型的设备电弧故障检测方法,所述设备电弧故障检测方法包括:获取特定时间段内的设备电气数据,并对所述设备电气数据进行预处理,得到数据点序列;基于预设时间序列预测模型,对所述数据点序列中的各数据点进行特征提取,得到所述数据点序列的特征量序列;利用预设的深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测。
可选的,在本发明第一方面的第一种实现方式中,所述获取特定时间段内的设备电气数据,并对所述设备电气数据进行预处理,得到数据点序列,包括:基于采集设备从待检测电路中获取的特定时间段内的设备电气数据,并将所述设备电气数据按照时间标记进行排列;对各设备电气数据进行绝对偏差计算,得到离群点,并将所述离群点从各所述数据点中剔除,得到数据点序列。
可选的,在本发明第一方面的第二种实现方式中,所述对各设备电气数据进行绝对偏差计算,得到离群点,包括:基于各所述设备电气数据的数值大小进行排序,得到所述设备电气数据的中位数,并将各所述设备电气数据与所述中位数进行差值计算,得到各所述设备电气数据到中位数的绝对偏差;将各所述绝对偏差与预设安全偏差进行比较,判断所述绝对差值是否大于预设安全偏差;若大于,则将所述绝对偏差对应的设备电气数据确定为离群点。
可选的,在本发明第一方面的第三种实现方式中,所述基于预设时间序列预测模型,对所述数据点序列中的各数据点进行特征提取,得到所述数据点序列的特征量序列,包括:基于指数平滑算法对所述数据点序列进行运算,得到所述数据点序列的一次平滑值;基于所述一次平滑值和所述指数平滑算法得到所述数据点序列的二次平滑值;将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型,得到所述数据点序列的特征量序列。
可选的,在本发明第一方面的第四种实现方式中,所述将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型,得到所述数据点序列的特征量序列,包括:基于所述一次平滑值和二次平滑值确定当前时间段的参数变量值,并将所述参数变量值作为二次指数平滑模型的输入,输出当前时间段的预测值,得到所述数据点序列的特征量序列。
可选的,在本发明第一方面的第五种实现方式中,在所述将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型,得到所述数据点序列的特征量序列之后,还包括:基于预设单位从对应的预设数值区间内依次获取算法参数,并将所述算法参数依次组合,其中,所述算法参数包括平滑系数、平滑算法初始值和预测超前期数;基于组合后的算法参数,生成对应的特征量波形曲线,并通过优化算法确定所述特征量波形曲线对应的最优算法参数;将所述最优算法参数作为预设时间序列预测模型的目标算法参数。
可选的,在本发明第一方面的第六种实现方式中,所述利用预设深度学***均值;
将所述特征量数据序列的绝对值与所述绝对值相比,得到所述特征量序列的提升比,并判断所述提升比是否超过预设安全区间;若未超过,则将所述特征量序列输入至预设深度学习模型,得到模型输出结果;若所述输出结果为故障,则确认设备电弧故障。
可选的,在本发明第一方面的第七种实现方式中,所述在所述将所述特征量序列输入至预设深度学习模型,得到模型输出结果之前,还包括:获取在至少两种电极材料中的特征量序列的提升比,并判断所述提升比是否超过预设安全区间,得到判断结果;将所述判断结果与实际电路故障结果进行比较,训练深度学习检测模型,得到预设深度学习模型。
本发明第二方面提供了一种基于时间序列预测模型的设备电弧故障检测装置,所述设备电弧故障检测装置包括:
预处理模块,用于获取特定时间段内的设备电气数据,并对所述设备电气数据进行预处理,得到数据点序列;
预测模块,用于基于预设时间序列预测模型,对所述数据点序列中的各数据点进行特征提取,得到所述数据点序列的特征量序列;
确定模块,用于利用预设的深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测。
可选地,在本发明第二方面的第一种实现方式中,所述预处理模块包括:
排列单元,用于基于采集设备从待检测电路中获取的特定时间段内的设备电气数据,并将所述设备电气数据按照时间标记进行排列;
剔除单元,用于对各设备电气数据进行绝对偏差计算,得到离群点,并将所述离群点从各所述数据点中剔除,得到数据点序列。
可选地,在本发明第二方面的第二种实现方式中,所述剔除单元具体用于:基于各所述设备电气数据的数值大小进行排序,得到所述设备电气数据的中位数,并将各所述设备电气数据与所述中位数进行差值计算,得到各所述设备电气数据到中位数的绝对偏差;将各所述绝对偏差与预设安全偏差进行比较,判断所述绝对差值是否大于预设安全偏差;若大于,则将所述绝对偏差对应的设备电气数据确定为离群点。
可选地,在本发明第二方面的第三种实现方式中,所述预测模块包括:
第一运算单元,用于基于指数平滑算法对所述数据点序列进行运算,得到所述数据点序列的一次平滑值;
第二运算单元,用于基于所述一次平滑值和所述指数平滑算法得到所述数据点序列的二次平滑值;
输入单元,用于将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型,得到所述数据点序列的特征量序列。
可选地,在本发明第二方面的第四种实现方式中,所述输入单元具体用于:基于所述一次平滑值和二次平滑值确定当前时间段的参数变量值,并将所述参数变量值作为二次指数平滑模型的输入,输出当前时间段的预测值,得到所述数据点序列的特征量序列。
可选地,在本发明第二方面的第五种实现方式中,所述输入单元还用于:基于预设单位从对应的预设数值区间内依次获取算法参数,并将所述算法参数依次组合,其中,所述算法参数包括平滑系数、平滑算法初始值和预测超前期数;基于组合后的算法参数,生成对应的特征量波形曲线,并通过优化算法确定所述特征量波形曲线对应的最优算法参数;将所述最优算法参数作为预设时间序列预测模型的目标算法参数。
可选地,在本发明第二方面的第七种实现方式中,所述确定模块包括:
获取单元,用于获取当前电路中采集的正常状态下的设备电气数据,并计算正常状态下的平均值;
比较单元,用于将所述特征量数据序列的绝对值与所述绝对值相比,得到所述特征量序列的提升比,并判断所述提升比是否超过预设安全区间;
结果判断单元,用于若未超过,则将所述特征量序列输入至预设深度学习模型,得到模型输出结果;若所述输出结果为故障,则确认设备电弧故障。
可选地,在本发明第二方面的第八种实现方式中,所述结果判断单元具体用于:获取在至少两种电极材料中的特征量序列的提升比,并判断所述提升比是否超过预设安全区间,得到判断结果;将所述判断结果与实际电路故障结果进行比较,训练深度学习检测模型,得到预设深度学习模型。
本发明的第三方面提供了一种基于时间序列预测模型的设备电弧故障检测设备,所述设备电弧故障检测设备包括存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述设备电弧故障检测设备执行如上所述的设备电弧故障检测方法的各个步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现如上所述设备电弧故障检测方法的各个步骤。
本发明提供的技术方案中,通过获取特定时间段内的设备电气数据,并进行预处理得到数据点序列,基于预设时间序列预测模型,对数据点序列中的各数据点进行特征提取,得到特征量序列,利用预设的深度学***滑算法进行特征提取,实现权数由近到远按指数规律递减,并在数据模式发生变化时,自动识别数据模式的变化而加以调整,有效减小了预测偏差,提高了设备电弧故障检测的准确率,降低了设备电弧故障检测成本。
附图说明
图1为本发明实施例提供的设备电弧故障检测方法的第一个实施例示意图;
图2为本发明实施例提供的设备电弧故障检测方法的第二个实施例示意图;
图3为本发明实施例提供的设备电弧故障检测方法的流程示意图;
图4为本发明实施例提供的石墨材料下原数据与二次指数平滑算法特征提升比对比示意图;
图5为本发明实施例提供的不同电极材料下二次指数平滑与小波方案对直流电弧故障检测准确率的提升结果对比示意图;
图6为本发明实施例提供的设备电弧故障检测装置的一种结构示意图;
图7为本发明实施例提供的设备电弧故障检测装置的另一种结构示意图;
图8为本发明实施例提供的设备电弧故障检测设备的结构示意图。
具体实施方式
针对于现有的设备电弧故障检测方式,本申请通过对设备电气数据基于预设时间序列预测模型进行特征提取,并利用深度学习模型进行电弧故障预测,基于提升比和预测准确率实现设备的电弧故障检测,实现权数由近到远按指数规律递减,并在数据模式发生变化时,自动识别数据模式的变化而加以调整,有效减小了预测偏差,降低了设备电弧故障检测成本,提高了设备电弧故障检测效率和准确率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、设备、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1本发明实施例提供的设备电弧故障检测方法的第一个实施例示意图,该方法具体包括以下步骤:
101、获取特定时间段内的设备电气数据,并对设备电气数据进行预处理,得到数据点序列。
在本实施例中,所述预处理可以理解为是提取设备电气数据的数据点和筛选数据点的过程,具体为先按照采样规则将设备电气数据分割为多段数据,然后计算每段数据的平均值,得到对应的数据点,最后对各数据点进行异常的识别,即是剔除设备电气数据中与其他数据点偏离较大的数据点,即是剔除设备电气数据中的离群点,信号中检测的离群点也被称为异常值,离群点检测也成为异常检测,为避免离群点对特征提取显著性的影响,需要采用检测并剔除异常点的方法来对电流信号进行预处理。离群点是在数据集中偏离大部分数据的数据,而离群因子大的簇看成异常簇,也就是其中的所有对象看成异常行为。基于统计的离群点检测,离群值是指输入原始数据检测到其中位数相差超过三倍经过计算的中位数绝对偏差值,当检测到离群值则标记该值所在位置。该离群点检测算法便于操作、算法简单。离群点中位数绝对偏差计算:
MAD=median(|Xi-median(X)|)
式中:MAD为数据点到中位数的绝对偏差,是离群点检测所得的特征数据;median(X)为中位数的绝对偏差;X为输入电流数据,得到的绝对偏差取绝对值。对于中位数的计算方法,可以将设备电气数据基于时间标记进行排列,基于设备电气数据的数量确定中间值,所述中间值对应的设备电气数据即为中位数,更进一步的,还可以将当前时间周期内的设备电气数据按照大小进行排列,再基于中间值确定中位数,还可以将所述设备电气数据转换至坐标轴中,所述坐标轴以时间为横坐标,以设备电气数据的大小为纵坐标,得到设备电气数据在坐标轴上的位置,基于各设备电气数据到直线的距离,得到归一化直线,将远离所述归一化曲线的点确定为离群点,还可以基于设备电气数据生成回归曲线,并计算各设备电气数据到所述回归曲线的距离,当所述距离大于预设值时,将所述距离对应的设备电气数据确定为离群点。
102、基于预设时间序列预测模型,对数据点序列中的各数据点进行特征提取,得到数据点序列的特征量序列。
本步骤的目的是对数据点序列进行特征提取,从各数据点之间的差距大小变化中提取出电弧故障的特征,从而实现故障检测。本实施例使用的是二次指数平滑处理,所述二次指数平滑是一种时间序列预测方法,在本实施例中的作用为从一端时间内的具有时间序列中的数据点中通过计算得到统计规律,即确定电路中的电流随着时间的变化状态或程度,并根据数据的变化趋势,由历史和当前的数据去推测未来的电流数据,进而实现电路电弧故障的检测。指数平滑法使用加权平均的方法将实际值和平滑值结合,通过平滑值构建序列预测模型,实现预测功能。
基于预设时间序列预测模型,对数据点序列中的各数据点进行特征提取,还可以通过以下步骤实现:使用次指数平滑算法来预测未来的值,具体的,初始化平滑参数和初始值,对于每个时间点t,按照以下方式更新水平(Lt)、趋势(Tt)和季节性指数(St):
水平(Lt)的更新:Lt=α*Yt+(1-α)*(Lt-1+Tt-1);
趋势(Tt)的更新:Tt=β*(Lt-Lt-1)+(1-β)*Tt-1;
季节性指数(St)的更新:St=γ*(Yt-Lt)+(1-γ)*St-m。
其中,α是平滑参数,通常取值在0到1之间,表示对当前观测值的权重;β是趋势平滑参数,也通常取值在0到1之间,表示对水平的变化的权重;γ是季节性平滑参数,通常取值在0到1之间,m是季节的周期(例如,如果数据是按分钟收集的,那么m通常为60),表示对季节性的权重。使用次指数平滑法计算未来期数(m期后)的预测值,通常使用下面的公式:Yt+m=Lt+m*Tt+St-m;在获得未来期数(m期后)的预测值Yt+m后,可以将其平方定义为特征量,即Ft=(Yt+m)^2,这个特征量Ft可以用于后续的分析、建模或者其他任务中,以帮助捕捉时间序列数据中的某些特征或趋势。需要注意的是,平方操作可以用来放大预测值的变化,特别是对于大的预测误差或者异常值,可以使得某些模式或趋势更加显著,但也可能引入一些噪音,因此,在使用这种方法时,要根据具体的问题和数据情况来权衡使用平方操作的利弊。
对于模型中的相关参数,可以通过粒子群优化算法优化二次指数平滑模型中的平滑系数,并基于各所述数据点的实际值与上一时间序列的数据点的预测值,进行预测值计算,得到各时间序列的数据点的一次平滑值,将平滑系数、一次平滑值和上一时间序列的数据点的二次平滑值代入至二次指数平滑算法中,得到各数据点的特征量数据列。
103、利用预设的深度学习模型对特征量序列进行电弧故障预测,并计算预测结果的准确率,基于特征量序列的提升比和准确率实现设备的电弧故障检测。
对于直流电弧故障检测的检测分析,可以针对发生电弧故障时会产生不同范围噪声、不同的线路电流和不同的供电电压等特点,进行相应的直流故障检测。例如,利用电弧故障发生时在频域内会产生高频的噪声,然后将高频正弦信号输入直流母线,再利用小波系数的方差来判别电弧故障。或者利用光伏***的差分功率处理结构来检测直流电弧,将差分功率处理结构(Differential Power Processing;DPP)和最大功率点跟踪运行(Maximum Power Point Tracking;MPPT)与电弧故障检测算法相结合,提高DPP装置的功能,不需要传感器、额外电流。或者综合利用线电压、电源电压等信息的串联直流电弧故障检测方法,将线路中电流和供电的电压作为电弧故障的特征参量来检测直流电弧,基于检测线路电流平均值变化率、检测线路电流降、线路供电电压交流分量和线路电流的标准差来检测直流电弧故障。或者基于小波变换对整个直流电弧故障进行检测,利用小波将直流电信号分解成高频和低频的信号,同时进行奇异值分解构造特征矩阵,最终由平均值、标准差来判断直流电弧故障。还可以利用电流或电压的表层特征,比如电流和电压的最大幅值、电流和电压的频率、平均电流和电压等,进行故障电弧的检测。
本方案通过使用二次指数平滑算法进行特征提取,实现权数由近到远按指数规律递减,并在数据模式发生变化时,自动识别数据模式的变化而加以调整,有效减小了预测偏差,提高了设备电弧故障检测的准确率。
请参阅图2本发明实施例提供的设备电弧故障检测方法的第二个实施例示意图,
请参阅图3,本发明实施例提供的设备电弧故障检测方法的流程示意图,首先定义如果电路中存在电弧故障,则输出为1,如果电路中不存在电弧故障,则输出为0,首先进行直流电流数据采样,即本方案中的设备电气数据为电路中的电流数据,所述电流数据可以通过采集设备从电路中直接获取,对采样得到的电流数据利用中位数的差值来判断离群点,再对电流数据进行离群异常点的剔除,实现电流数据的优化,再通过粒子群优化参数,得到最优算法参数,将最优算法参数输入至二次指数平滑算法,得到一维直流数据,其中,基于所述最优算法参数得到的一维直流数据是提升比最大的一维直流数据。基于所述一维直流数据判断电路中是否存在电弧故障,具体的,将一维直流数据与直流电流数据进行提升比计算,当所述提升比大于预设安全阈值时,则确认电路中存在电弧故障,若所述提升比不大于预设安全阈值,则确认电路中不存在电弧故障,并基于所述不存在电弧故障的一维直流数据训练深度学习检测模型,得到设备电弧深度学习检测模型,所述设备电弧深度学习检测模型可以用于直接根据一维直流特征数据判断电路中是否存在电弧故障,若存在,则输出1,确定当前检测的直流电路中存在电弧故障。
该方法具体包括以下步骤:
201、获取特定时间段内的设备电气数据,并对各设备电气数据进行绝对偏差计算,从各设备电气数据中剔除离群点,得到数据点序列。
除了计算离群点的绝对偏差以外,还有以下方法可以识别和处理异常值,从数据中提取有价值的信息并优化数据,具体的:标准化和归一化,将数据转换为具有相似尺度和分布的形式,即减去均值并除以标准差来完成,而归一化通常将数据缩放到0到1的范围内;缺失值处理,删除包含缺失值的行,使用插值方法填充缺失值,或者使用机器学***滑和滤波技术来去除噪音,揭示趋势和周期性,包括移动平均、指数平滑和低通滤波。
202、对数据点序列依次运算,计算一次平滑值和二次平滑值。
本发明实施例中采用每隔一小时对电路中的电流数据进行采集,采集频率可以为每分钟采集一次或每秒钟采集一次,值得注意的是,采集周期和采集频率并不限定,只需要保证历史监控数据的变化趋势能够正确对未来的监控数据走向作出正确判断,并基于取值范围为[0,1],从0到1中以0.1为单位,依次取值平滑系数α,代入至二次指数平滑算法公式中,具体的,二次指数平滑算法公式为:
式中:St (1)为一次指数的平滑值;st (2)为二次指数的平滑值;α为平滑系数(平滑系数越小,平滑效果越强,但对数据的变动反应越迟缓);yt为被观测的输入,在文中为原始实验电流数据,计算当前时间段中一个时间周期内的电流数据的一次平滑值和二次平滑值。
203、将一次平滑值和二次平滑值输入至时间序列预测模型,计算任一时间周期内的预测值。
在st (1)和st (2)已知的情况下,二次指数平滑法的预测模型为:
yt+m=at+btm,m=1,2,…
式中:m为预测超前期数;at、bt为各期参数变量值;yt+m为预测值,在本文中为二次平滑所得到的特征数据。m为预测超前期数意味着希望预测未来m个时间点的值,在时间序列分析中,超前期数表示想要预测的时间步数,通常以h表示,例如,如果m=3,即想要预测未来3个时间点的值,yt+m代表在m期之后的预测值,考虑了水平、趋势和季节性成分,以尽量准确地预测未来的值。所述参数变量值的选择会影响预测的准确性,通常需要根据实际数据的特点来进行调整。在二次指数平滑算法中涉及到三个参数:平滑算法初始值、平滑系数、预测超前期数,由于本文数据较多,具有一定的计算量,因此使用了用了一个粒子群优化算法(PSO)用来找到每组波形最合适的参数。PSO不需要很多参数的调节,简单容易实现,它可以将个体极值与其他粒子共享,通过不断的迭代更新来调整粒子位置及速度,最终得到最优的个体值作为整个粒子群的当前全局最优解。在得到最优参数值后,输入二次指数平滑算法进行特征提取,利用平滑参数和近期的平滑值得到预测值,将其预测值平方定义为特征量,再利用所得深度学***均算法的参数得到后,利用平滑参数和近期的平滑值得到特征量。通过对石墨的第三组原数据特征进行二次指数平滑算法后进行特征提取,由提取出的故障状态特征平均值与正常状态平均值相比,得出了该组数据对应提升比,即将故障状态下设备电气数据二次指数平滑之后得到的特征量的平均值与正常状态下设备电气数据二次指数平滑之后得到的特征量的平均值相比,请参阅图4,本发明实施例提供的石墨材料下原数据与二次指数平滑算法特征提升比对比示意图,图中是小波数据特征(WPD)和二次指数平滑算法(DS)对于电弧故障数据特征提取的提升比,其中第一阶段为电路正常阶段,第二阶段为电弧故障发生阶段,第三阶段为电弧故障结束阶段。在电弧故障发生阶段,电极材料为石墨的小波数据特征比接近于1,而二次指数平滑算法提取石墨特征的提升比远远大于1。在小波分析数据特征下,电弧故障数据对应特征比将近1,很难真正的判断是否为电弧故障。而在二次指数平滑挖掘算法后,电弧故障特征的提升比大幅度升高,这可以使得电弧故障的判断明显更准确,有利于直流电弧故障的检测。在实际应用中,针对大量数据,可以依次计算多个周期,具体的,可以从第一周期至第十周期依次计算,可得到二次指数平滑的预测值与实际值基本一致,趋势走向相同,因此对第十周期之后的周期的预测结果和预测的趋势也能够突显出第十周期以后的某时间段内的趋势。
基于各时间序列的数据点的一次平滑值和二次平滑值,生成二次指数平滑预测模型,并基于粒子群优化算法确定平滑算法初始值、平滑系数、预测超前期数的最优解,得到基于当前电极材料的二次指数平滑预测模型。
一次平滑值是对数据的简单平均,它用于平滑数据的随机波动和噪音,除以上计算一次平滑值的方法外,还可以通过:确定要平滑的数据集,假设这些数据是连续的时间序列,选择一个平滑窗口的大小(通常用n表示),表示要计算平均值的数据点的数量,从数据的开头开始,计算窗口内的数据点的平均值,并将这个平均值作为一次平滑值,然后向前移动窗口,继续计算下一个平均值,直到处理完所有数据点,一次平滑值的计算公式如下:一次平滑值=(数据点1+数据点2+...+数据点n)/n;对于二次平滑值:二次平滑值用于平滑数据的趋势和季节性成分,首先计算一次平滑值,然后对一次平滑值再次应用一次平滑以获得二次平滑值,除以上计算二次平滑值的方法外,还可以通过:首先,计算一次平滑值,如上所述,然后使用一次平滑值的结果作为新的数据集,再次选择一个平滑窗口的大小,通常用n表示,从一次平滑值的开头开始,计算窗口内的数据点的平均值,并将这个平均值作为二次平滑值,然后向前移动窗口,继续计算下一个平均值,直到处理完所有一次平滑值的数据点,二次平滑值的计算公式如下:二次平滑值=(一次平滑值1+一次平滑值2+...+一次平滑值n)/n。示例性的,假设有以下5个连续时间的电流数据:电流数据:[50,55,60,65,70],首先计算一次平滑值,假设选择窗口大小为2,则一次平滑值1=(50+55)/2=525;一次平滑值2=(55+60)/2=575;一次平滑值3=(60+65)/2=625;一次平滑值4=(65+70)/2=675,然后计算二次平滑值,再次选择窗口大小为2:二次平滑值1=(525+575)/2=550;二次平滑值2=(575+625)/2=600;二次平滑值3=(625+675)/2=650;这样就得到了一组二次平滑值,用于平滑电流数据的趋势和时间成分,并进一步的分析或预测任务。
204、基于预测值得到电弧故障检测结果,并将检测结果与实际电路故障结果进行比较,训练深度学习检测模型,得到预设深度学习模型。
将具有显著特征的数据在训练好的深度学***滑与小波方案对直流电弧故障检测准确率的提升结果对比示意图,可以得出,直流电弧故障检测的小波分析检测率和二次总体上基于二次指数平滑数据挖掘的电弧故障检测比小波分析下的电弧故障的检测准确率高,所述小波分析指在同一个时间窗口内,只会用一个小波核对原函数做哈达玛积。对于石墨电极材料,只利用二次指数平滑算法相较于小波分析对于电弧故障的检测准确率提升了34.9%;对于球墨铸铁电极材料,只利用二次指数平滑比小波分析对于电弧故障的检测准确率提升了31.8%;对于铝电极材料,只利用二次指数平滑比小波分析对于电弧故障的检测准确率提升了13.9%;对于黄铜电极材料,只利用二次指数平滑比小波分析对于电弧故障的检测准确率提升了29.8%;对于不锈钢电极材料,只利用二次指数平滑比小波分析对于电弧故障的检测准确率提升了9.3%。总的来说,仅利用二次指数平滑的方法比小波分析进行电弧故障检测准确率高,其准确率大概在77%-97%之间。二次指数平滑数据挖掘电弧故障的检测准确率有了明显的大幅度提升,说明二次指数平滑数据挖掘的方法较小波分析更有优势。二次指数平滑的方法挖掘数据在电极材料是石墨、球墨铸铁和黄铜时对比小波直流电弧故障检测准确率提升明显,在电极材料是铝和不锈钢时也有不同程度的提升,平均直流电弧故障检测准确率提升约24%,在本案中二次指数平滑算法全面优于小波。
205、基于任意时间周期内的预测值和预设深度学习模型的输出结果,实现电弧故障检测。
在本实施例中,可以直接根据任意时间周期内的预测值判断是否存在电弧故障,具体的,将所述预测值与实际数据相比,得到任意时间周期内设备电气数据的提升比,所述提升比将设备电气数据的特征放大,对与正常状态下的提升比差距大的提升比对应的设备电气数据,可以确认所述设备电气数据对应的时间的电路中存在电弧故障。还可以通过预测值和模型输出结果共同判断,具体的,通过上述预测值判断后,对于不存在电弧故障的电气设备数据,获取所述电气设备数据对应的一维直流数据,并将所述一维直流数据输入至设备电弧深度学习检测模型,得到检测模型的输出结果,若输出结果中准确率小于预设值,则确认所述一维直流数据对应的设备电气数据对应的时间的电路中存在电弧故障。
本方案使用二次指数平滑算法进行特征提取,在一次指数平滑的基础上再进行一次平滑,操作方便,在实际的直流电弧应用场景中仅需选择一个模型参数就能进行预测,并基于一维直流特征数据训练机器学习模型,得出直流电弧故障检测的准确率,有效减小了预测偏差,提高了设备电弧故障检测的准确率。
上面对本发明实施例中设备电弧故障检测方法进行了描述,下面从模块化功能实体的角度对本发明实施例设备电弧故障检测装置进行详细描述,请参阅图6,本发明实施例提供的设备电弧故障检测装置的一种结构示意图,包括:
预处理模块610,用于获取特定时间段内的设备电气数据,并对所述设备电气数据进行预处理,得到数据点序列;
预测模块620,用于基于预设时间序列预测模型,对所述数据点序列中的各数据点进行特征提取,得到所述数据点序列的特征量序列;
确定模块630,用于利用预设的深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测。
本方案通过使用二次指数平滑算法进行特征提取,实现权数由近到远按指数规律递减,并在数据模式发生变化时,自动识别数据模式的变化而加以调整,有效减小了预测偏差,提高了设备电弧故障检测的准确率。
请参阅图7,本发明实施例提供的设备电弧故障检测装置的另一种结构示意图,包括:
预处理模块710,用于获取特定时间段内的设备电气数据,并对所述设备电气数据进行预处理,得到数据点序列;
预测模块720,用于基于预设时间序列预测模型,对所述数据点序列中的各数据点进行特征提取,得到所述数据点序列的特征量序列;
确定模块730,用于利用预设的深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测。
在本实施例中,所述预处理模块710包括:
排列单元711,用于基于采集设备从待检测电路中获取的特定时间段内的设备电气数据,并将所述设备电气数据按照时间标记进行排列;
剔除单元712,用于对各设备电气数据进行绝对偏差计算,得到离群点,并将所述离群点从各所述数据点中剔除,得到数据点序列。
在本实施例中,所述剔除单元712具体用于:基于各所述设备电气数据的数值大小进行排序,得到所述设备电气数据的中位数,并将各所述设备电气数据与所述中位数进行差值计算,得到各所述设备电气数据到中位数的绝对偏差;将各所述绝对偏差与预设安全偏差进行比较,判断所述绝对差值是否大于预设安全偏差;若大于,则将所述绝对偏差对应的设备电气数据确定为离群点。
在本实施例中,所述预测模块720包括:
第一运算单元721,用于基于指数平滑算法对所述数据点序列进行运算,得到所述数据点序列的一次平滑值;
第二运算单元722,用于基于所述一次平滑值和所述指数平滑算法得到所述数据点序列的二次平滑值;
输入单元723,用于将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型,得到所述数据点序列的特征量序列。
在本实施例中,所述输入单元723具体用于:基于所述一次平滑值和二次平滑值确定当前时间段的参数变量值,并将所述参数变量值作为二次指数平滑模型的输入,输出当前时间段的预测值,得到所述数据点序列的特征量序列。
在本实施例中,所述输入单元723还用于:基于预设单位从对应的预设数值区间内依次获取算法参数,并将所述算法参数依次组合,其中,所述算法参数包括平滑系数、平滑算法初始值和预测超前期数;基于组合后的算法参数,生成对应的特征量波形曲线,并通过优化算法确定所述特征量波形曲线对应的最优算法参数;将所述最优算法参数作为预设时间序列预测模型的目标算法参数。
在本实施例中,所述确定模块730包括:
获取单元731,用于获取当前电路中采集的正常状态下的设备电气数据,并计算正常状态下的平均值;
比较单元732,用于将所述特征量数据序列的绝对值与所述绝对值相比,得到所述特征量序列的提升比,并判断所述提升比是否超过预设安全区间;
结果判断单元733,用于若未超过,则将所述特征量序列输入至预设深度学习模型,得到模型输出结果;若所述输出结果为故障,则确认设备电弧故障。
在本实施例中,所述结果判断单元733具体用于:获取在至少两种电极材料中的特征量序列的提升比,并判断所述提升比是否超过预设安全区间,得到判断结果;将所述判断结果与实际电路故障结果进行比较,训练深度学习检测模型,得到预设深度学习模型。
本方案适应性强,当数据模式发生变化,预测模型能自动识别数据模式的变化而加以调整,提高***检测的准确性,可以适应多种类型数据模式,可推广性强。
上面图6-7从模块化功能实体的角度对本发明实施例中的中设备电弧故障检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中设备电弧故障检测设备进行详细描述。
图8是本发明实施例提供的一种设备电弧故障检测设备的结构示意图,该设备电弧故障检测设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessingunits,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对设备电弧故障检测设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在设备电弧故障检测设备800上执行存储介质830中的一系列指令操作,以实现上述实施提供的方法。
设备电弧故障检测设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作设备831,例如WindowsServe,MacOSX,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8所示的设备电弧故障检测设备结构并不构成对本发明提供的设备电弧故障检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述各实施例提供的所述的设备电弧故障检测方法的各个步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种基于时间序列预测模型的设备电弧故障检测方法,其特征在于,所述设备电弧故障检测方法包括:
获取特定时间段内的设备电气数据,并对所述设备电气数据进行预处理,得到数据点序列;
基于预设时间序列预测模型,对所述数据点序列中的各数据点进行特征提取,得到所述数据点序列的特征量序列;
利用预设的深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测。
2.根据权利要求1所述设备电弧故障检测方法,其特征在于,所述获取特定时间段内的设备电气数据,并对所述设备电气数据进行预处理,得到数据点序列,包括:
基于采集设备从待检测电路中获取的特定时间段内的设备电气数据,并将所述设备电气数据按照时间标记进行排列;
对各设备电气数据进行绝对偏差计算,得到离群点,并将所述离群点从各所述数据点中剔除,得到数据点序列。
3.根据权利要求2所述设备电弧故障检测方法,其特征在于,所述对各设备电气数据进行绝对偏差计算,得到离群点,包括:
基于各所述设备电气数据的数值大小进行排序,得到所述设备电气数据的中位数,并将各所述设备电气数据与所述中位数进行差值计算,得到各所述设备电气数据到中位数的绝对偏差;
将各所述绝对偏差与预设安全偏差进行比较,判断所述绝对差值是否大于预设安全偏差;
若大于,则将所述绝对偏差对应的设备电气数据确定为离群点。
4.根据权利要求1所述设备电弧故障检测方法,其特征在于,所述基于预设时间序列预测模型,对所述数据点序列中的各数据点进行特征提取,得到所述数据点序列的特征量序列,包括:
基于指数平滑算法对所述数据点序列进行运算,得到所述数据点序列的一次平滑值;
基于所述一次平滑值和所述指数平滑算法得到所述数据点序列的二次平滑值;
将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型,得到所述数据点序列的特征量序列。
5.根据权利要求4所述设备电弧故障检测方法,其特征在于,所述将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型,得到所述数据点序列的特征量序列,包括:
基于所述一次平滑值和二次平滑值确定当前时间段的参数变量值,并将所述参数变量值作为二次指数平滑模型的输入,输出当前时间段的预测值,得到所述数据点序列的特征量序列。
6.根据权利要求4所述设备电弧故障检测方法,其特征在于,在所述将所述一次平滑值和所述二次平滑值输入至预设时间序列预测模型,得到所述数据点序列的特征量序列之后,还包括:
基于预设单位从对应的预设数值区间内依次获取算法参数,并将所述算法参数依次组合,其中,所述算法参数包括平滑系数、平滑算法初始值和预测超前期数;
基于组合后的算法参数,生成对应的特征量波形曲线,并通过优化算法确定所述特征量波形曲线对应的最优算法参数;
将所述最优算法参数作为预设时间序列预测模型的目标算法参数。
7.根据权利要求1所述设备电弧故障检测方法,其特征在于,所述利用预设深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测,包括:
获取当前电路中采集的正常状态下的设备电气数据,并计算正常状态下的平均值;
将所述特征量数据序列的绝对值与所述绝对值相比,得到所述特征量序列的提升比,并判断所述提升比是否超过预设安全区间;
若未超过,则将所述特征量序列输入至预设深度学习模型,得到模型输出结果;
若所述输出结果为故障,则确认设备电弧故障。
8.根据权利要求1所述设备电弧故障检测方法,其特征在于,在所述将所述特征量序列输入至预设深度学习模型,得到模型输出结果之前,还包括:
获取在至少两种电极材料中的特征量序列的提升比,并判断所述提升比是否超过预设安全区间,得到判断结果;
将所述判断结果与实际电路故障结果进行比较,训练深度学习检测模型,得到预设深度学习模型。
9.一种基于时间序列预测模型的设备电弧故障检测装置,其特征在于,所述设备电弧故障检测装置包括:
预处理模块,用于获取特定时间段内的设备电气数据,并对所述设备电气数据进行预处理,得到数据点序列;
预测模块,用于基于预设时间序列预测模型,对所述数据点序列中的各数据点进行特征提取,得到所述数据点序列的特征量序列;
确定模块,用于利用预设的深度学习模型和所述特征量序列的提升比实现设备的电弧故障检测。
10.一种基于时间序列预测模型的设备电弧故障检测设备,其特征在于,所述设备电弧故障检测设备包括存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述设备电弧故障检测设备执行如权利要求1-8中任一项所述的设备电弧故障检测方法的各个步骤。
11.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-8中任一项所述基于时间序列预测模型的设备电弧故障检测方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311178746.7A CN117330906A (zh) | 2023-09-08 | 2023-09-08 | 设备电弧故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311178746.7A CN117330906A (zh) | 2023-09-08 | 2023-09-08 | 设备电弧故障检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117330906A true CN117330906A (zh) | 2024-01-02 |
Family
ID=89289350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311178746.7A Pending CN117330906A (zh) | 2023-09-08 | 2023-09-08 | 设备电弧故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117330906A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743808A (zh) * | 2024-02-20 | 2024-03-22 | 中铁西南科学研究院有限公司 | 一种隧道变形预测方法、***、设备及介质 |
-
2023
- 2023-09-08 CN CN202311178746.7A patent/CN117330906A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743808A (zh) * | 2024-02-20 | 2024-03-22 | 中铁西南科学研究院有限公司 | 一种隧道变形预测方法、***、设备及介质 |
CN117743808B (zh) * | 2024-02-20 | 2024-05-14 | 中铁西南科学研究院有限公司 | 一种隧道变形预测方法、***、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108429649B (zh) | 基于多次单类型采集结果的综合异常判断的*** | |
CN117330906A (zh) | 设备电弧故障检测方法、装置、设备及存储介质 | |
JP5827425B1 (ja) | 予兆診断システム及び予兆診断方法 | |
JP5827426B1 (ja) | 予兆診断システム及び予兆診断方法 | |
CN111783696A (zh) | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 | |
CN110991527B (zh) | 一种考虑电压曲线平均波动率的相似度阈值确定方法 | |
WO2018080523A1 (en) | Data cost effective fast similarity search with priority access | |
CN115664038B (zh) | 一种用于电气安全管理的智能配电运维监控*** | |
CN116865269B (zh) | 一种风电机组高谐波补偿方法及*** | |
CN111898637B (zh) | 一种基于ReliefF-DDC特征选择算法 | |
EP4001936A1 (en) | Automatic partial discharge and noise signals separation using arithmetic coding in time domain and magnitude distributions in frequency domain | |
CN117540325B (zh) | 基于数据变化量捕获的业务数据库异常检测方法及*** | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN111079591A (zh) | 基于改进多尺度主成分分析的不良数据修复方法及*** | |
CN113219333B (zh) | 一种电机故障诊断时的频谱参数处理方法 | |
CN108171425B (zh) | 电能质量分区方法、装置及存储介质 | |
CN115963350A (zh) | 一种直流配电网故障定位方法及装置 | |
CN114548173A (zh) | 一种精准的周期性检测方法、***及存储介质 | |
CN113986711A (zh) | 一种时间序列数据的峰值检测方法、装置及设备 | |
Ziying et al. | A New Bearing Fault Diagnosis Method Based on Refined Composite Multiscale Global Fuzzy Entropy and Self‐Organizing Fuzzy Logic Classifier | |
JP2016045853A (ja) | 異常診断装置及び異常診断方法 | |
CN111460005B (zh) | 一种基于jsd的时序数据的离群点检测方法 | |
CN117992931B (zh) | 一种直流信号特征库与参比信号模型建立***及方法 | |
CN116150666B (zh) | 储能***故障检测方法、装置及智能终端 | |
CN117273547B (zh) | 基于边缘计算的生产设备运行数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |